پیشبینی سریهای زمانی غیرخطی با شبکه عصبی اتورگرسیو، مدلهای ARIMA، یا مدل های ترکیبی؟
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,482
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CSITM01_097
تاریخ نمایه سازی: 10 شهریور 1393
Abstract:
مدلهای شبکه عصبی به عنوان ابزارهای نوین محاسباتی توسط ریاضیدانان، مهندسین و عصب شناسان، با قابلیت یادگیری وتعمیم دهی معرفی شده اند. این ابزارهای محاسباتی در مسائل مختلفی از جمله دسته بندی، خوشه بندی داده ها، بهینه سازی،پیش بینی و مدل بندی سری های زمانی غیرخطی کاربرد دارند. با این حال اخیر ا روش های جدیدی برای پیش بینی سری های زمانیغیرخطی ارائه شده است. با وجود این که مدلهای شبکه عصبی به عنوان مدلهای ریاضی، با دقت بالا به پیش بینی و مدل بندیمولفه ی غیرخطی سری زمانی می پردازد، اما می توان با بهره گیری از مدل های خطی سری زمانی، با دقت بالاتری به پیش بینی بازارهای مالی و بورس پرداخت. از طرفی ضعف مدل های خطی سری زمانی از جمله مدل های ARIMA به علت عدم مدل بندی مولفه ی غیرخطی سری های زمانی، باعث تجدیدنظر در استفاده از این مدل ها شده است. هر چند این مدلها توانایی مدل بندی مولفه ی خطی را دارا هستند، اما با ترکیب روش های سری زمانی و شبکه عصبی، می توان به بهبود پیش بینی پرداخت. در این مقاله ابتدا به معرفی مدلهای شبکه عصبی اتورگرسیو و ARIMA پرداخته می شود. سپس مدل های ترکیبی معرفی می گردد. در ادامه یک روش جدید برای پیش بینی سری های زمانی غیرخطی پیشنهاد، و دقت این روش با سایر مدلها و روشها مقایسه می شود. در نهایت با شبیه سازی و داده های واقعی که شامل داده های ماهانه قیمت جهانی طلا در فاصله سال های 1998 تا 2010 است، به پیش بینی با این مدل ترکیبی جدید پرداخته می شود.
Keywords:
Authors
مسعود عیسی پره
دانشجوی کارشناسی ارشد دانشگاه اصفهان
نصرالله ایران پناه
استادیار گروه آمار دانشگاه اصفهان
مرجان کائدی
استادیار گروه مهندسی کامپیوتر
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :